编辑推荐：
为解决传统肌电(EMG)无法检测被动肌肉收缩状态、光学/超声技术存在运动伪影等问题，研究人员开发了柔性多通道电阻抗传感器(FMEIS)。该传感器通过捕捉肌肉收缩产生的电场波动，实现了对主动/被动肌肉状态的高精度监测，其超薄设计(~220 μm)和低弹性模量(212.8 kPa)完美贴合皮肤。实验显示FMEIS在手势识别准确率达98.49%，肌肉力量预测R2达0.98，成功应用于人机协作、外骨骼控制和虚拟手术等场景，为人机交互系统提供了全新解决方案。
在医疗康复、工业协作和虚拟现实等领域，精确捕捉人体肌肉活动状态是实现自然化人机交互的核心挑战。传统肌电图(EMG)虽能检测肌肉电信号，却对被动收缩束手无策；新兴的光学与超声技术又受限于刚性探头带来的运动伪影和检测深度不足。更棘手的是，在关节屈伸时拮抗肌的被动拉伸状态会显著影响整体施力，但现有技术无法捕捉这种"沉默的贡献"。这些技术瓶颈严重制约了外骨骼控制、手术机器人等需要精细力反馈的应用发展。
针对这些挑战，南洋理工大学的研究团队在《SCIENCE ADVANCES》发表了一项突破性研究，开发出柔性多通道电阻抗传感器(FMEIS)。这项研究通过创新性地测量肌肉收缩引起的阻抗变化，首次实现了对深层肌肉主动收缩和被动拉伸状态的双重监测，为人机交互技术开辟了新维度。
研究采用的关键技术包括：1)基于改性聚二甲基硅氧烷(PDMS)和双网络水凝胶的柔性传感器制备；2)多通道阻抗测量硬件系统设计(含50 kHz激励电流源)；3)机器学习算法用于手势分类和力预测；4)人体实验涉及3名受试者，经伦理委员会批准(IRB-2022-052)。
【设计原理与表征】研究团队设计的FMEIS传感器厚度仅220 μm，弹性模量212.8 kPa，与人体皮肤完美匹配。通过引入50 kHz微电流，传感器能捕捉肌肉形变导致的电场扰动。改性PDMS层通过氢键实现可逆粘附，剥离力达12.41 N/m，连续使用8小时粘附力仅下降23%。水凝胶电极使接触阻抗降至1227.3±17.1 Ω，拉伸30%时导电银迹电阻仍远低于皮肤接触阻抗。
【阻抗数据挖掘】采用"对向"电极配置获取120通道阻抗数据，更新速率127 ms。通过主成分分析和F检验特征选择，结合神经网络模型实现10种手势分类，平均准确率98.49%。在捏力预测中，支持向量机模型达到R2=0.97的精度，均方根误差仅1.61 N。特别值得注意的是，相比EMG只能检测主动收缩，FMEIS成功捕捉到手腕屈伸时拮抗肌的被动拉伸信号。
【人机协作应用】在螺丝装配实验中，FMEIS实时预测的握力控制机械臂动作，延迟仅0.46秒。设置83%最大握力阈值作为安全机制，只有当人力超过阈值时机械臂才启动钻孔。实验显示机械臂能精确同步人类操作节奏，四组钻孔周期与人力施加时段完全对应。
【外骨骼控制】FMEIS驱动气动手部外骨骼时，在肌电信号强度不变的情况下，外骨骼使系统输出力提升65%(44.2→72.8 N)。持续握持1kg重物8分钟的实验中，FMEIS控制的外骨骼有效阻止了肌电中位频率(MDF)下降，证明其抗疲劳效果。
【虚拟手术界面】通过切割PDMS皮肤模型，FMEIS预测的切割力控制虚拟手术刀运动。在四个切割周期(8.8-16.2秒等)中，虚拟切口长度与实际切割长度变化趋势一致。基于阻抗数据估算的切口宽度随施力动态变化，实现了力反馈的精细映射。
这项研究的突破性在于：FMEIS首次实现了对肌肉全状态(主动/被动)的非侵入监测，其超薄柔性设计克服了传统技术的运动伪影问题。通过50 kHz高频电流的安全设计，在长期使用中未引起皮肤刺激或肌肉异常反应。研究展示的三个应用场景验证了其在复杂人机交互中的独特价值——既能捕捉EMG忽略的被动收缩信息，又避免了光学/超声技术的刚性限制。
当前系统仍需解决传感器重定位导致的模型重训练问题，未来结合迁移学习技术可能改善这一局限。此外，增加皮肤形变传感有望提升阻抗成像重建精度。这项技术为发展更自然、更安全的协作机器人、智能假肢和远程手术系统奠定了重要基础，其核心价值在于首次将"肌肉状态全景监测"这一概念变为可穿戴的现实。
生物通微信公众号
生物通 版权所有
